Seleccionar página

Hainguynrp / Pixabay

Fuente: Hainguynrp / Pixabay

Un nuevo estudio revisado por pares publicado esta semana en PNAS muestra cómo el aprendizaje, un aspecto importante de la inteligencia humana, se puede recrear en materia sintética, un descubrimiento que puede conducir a nuevas formas de inteligencia artificial (IA) y computación neuromórfica en el futuro.

«La habituación y la conciencia (aprendizaje no asociativo) se encuentran entre las formas más básicas de aprendizaje y comportamiento de la memoria presentes en los organismos que permiten la adaptación y el aprendizaje en entornos dinámicos», escribieron los autores del estudio afiliado a la Universidad de Rutgers, Universidad de Purdue, el Universidad de Georgia y el Laboratorio Nacional Argonne. «La emulación de tales características de inteligencia que se encuentran en la naturaleza en estado sólido puede servir como inspiración para simulaciones algorítmicas en redes neuronales artificiales y su uso potencial en computación neuromórfica».

La inteligencia humana y el cerebro biológico han servido durante mucho tiempo como inspiración para la arquitectura y el diseño del aprendizaje automático en inteligencia artificial. La computación neuromórfica, también conocida como ingeniería neuromórfica, es el campo de estudio en crecimiento que busca replicar aspectos de la cognición humana en dispositivos electrónicos modernos como las computadoras. El objetivo de la computación neuromórfica es superar las limitaciones de la arquitectura de von Neumann con una solución que imite más fielmente al cerebro biológico.

La base de la mayor parte del hardware informático actual se conoce como arquitectura de von Neumann. En 1945, el matemático estadounidense nacido en Hungría John von Neumann (1903-1957) publicó un diseño de arquitectura de computadora que constaba de entradas y salidas, una unidad de memoria y una unidad central de procesamiento (CPU) que contiene una unidad de control (CU), una aritmética sistema y unidad lógica (ALU), y una variedad de registros. Las desventajas de la arquitectura de von Neumann son que es difícil integrar el almacenamiento de memoria a largo plazo y requiere mucha potencia para transmitir datos entre las unidades de procesamiento y de memoria.

La arquitectura de Von Neumann es muy diferente del funcionamiento de un cerebro biológico donde la computación y la memoria están fuertemente distribuidas entre sus aproximadamente 80 mil millones de neuronas que actúan como simples unidades de procesamiento, y la memoria no está ubicada en la parte inferior del centro, sino que involucra varias áreas de el cerebro. En la neuroanatomía, la corteza prefrontal, la amígdala, el hipocampo y el cerebelo son áreas importantes entre las muchas partes del cerebro asociadas con la memoria.

El aprendizaje automático es un método que permite que las computadoras «aprendan» sin ningún tipo de codificación o programación explícita. El aprendizaje profundo es un subconjunto del aprendizaje automático. La arquitectura de red neuronal artificial para el aprendizaje profundo con su red neuronal artificial (nodos) es un ejemplo de un diseño inspirado en el cerebro. Dado que el diseño del aprendizaje automático de la inteligencia artificial se inspira en parte en el cerebro biológico, la arquitectura de von Neumann presenta desafíos computacionales para el aprendizaje profundo.

Para demostrar el aprendizaje de la materia sintética, para este estudio, los investigadores utilizaron un material cuántico cuyas propiedades no están completamente explicadas por la física clásica llamado óxido de níquel (NiO) con un aislante Mott que pertenece a una clase de materiales que, cuando se miden, se comportan como aislantes a pesar de que su estructura de banda da la impresión de que conducirían electricidad en su lugar.

Usando gases para estimular el material cuántico a temperatura ambiente y más, los científicos encontraron que el óxido de níquel exhibía habituación y sensibilización como la de Aplysia, un género de babosas marinas medianas a gigantes.

«Al igual que las especies biológicas como la aplysia, la habituación y la sensibilización de NiO poseen una plasticidad dependiente del tiempo que se basa tanto en la fuerza como en el intervalo de tiempo entre los estímulos», informaron los investigadores. «Una combinación de enfoques experimentales y cálculos del primer principio revela que tal comportamiento de aprendizaje de NiO resulta de la modulación dinámica de su defecto y estructura electrónica».

Los científicos creen que si un material cuántico pudiera recrear formas de aprendizaje y conciencia de habituación, entonces potencialmente podrían desarrollar IA directamente en el material. Esto reduciría los costos de energía y, al mismo tiempo, aumentaría la eficiencia y el rendimiento informáticos generales.

«Se simula un modelo de red neuronal artificial inspirado en dicho aprendizaje no asociativo para mostrar los beneficios de una tarea de agrupación no supervisada en términos de precisión y reducción de interferencias catastróficas, lo que podría ayudar a aliviar el dilema-plasticidad de la estabilidad», concluyeron los investigadores. «Los aisladores de Mott, por lo tanto, pueden servir como bloques de construcción para examinar los comportamientos de aprendizaje notados en biología e inspirar nuevos algoritmos de aprendizaje para la inteligencia artificial».

Copyright © 2021 Cami Rosso Todos los derechos reservados.

Uso de cookies

Este sitio web utiliza cookies para que usted tenga la mejor experiencia de usuario. Si continúa navegando está dando su consentimiento para la aceptación de las mencionadas cookies y la aceptación de nuestra política de cookies, pinche el enlace para mayor información

ACEPTAR
Aviso de cookies